Physical Intelligence：MEM——面向VLA的多尺度具身记忆

机器人要在长时程任务里稳定工作，最难的一环往往不在单步动作，而在“记住自己做到哪儿了”。当环境不能被一次看全、任务又跨越几十上百个步骤时，模型必须依赖历史信息来判断当前状态。Physical Intelligence 的这份材料围绕的正是这个问题：如何为 VLA 模型引入记忆机制，让它在部分可观测的条件下仍能推进长时程任务。从给出的要点看，它的价值不在于笼统地谈“给模型加记忆”，而在于把记忆拆成不同时间尺度分别处理，这是一种明确的设计取舍。

资料覆盖的范围集中在方法层面：面向 VLA 模型提出 MEM，即多尺度具身记忆，用两类互补的记忆通道来支撑任务执行。一类是长期文本记忆，承载的是任务进度摘要这类被压缩过的状态描述；另一类是短期视频记忆，保留近期的视觉信息。换句话说，文本通道负责“记得任务走到哪一步”，视频通道负责“记得刚才看到了什么”，两者对应的时间跨度和信息密度并不相同。这种分工本身是解读：它暗示设计者认为进度信息适合被摘要成语言，而近期感知细节则不适合过早压缩。

第一个关键点是长时程任务与部分可观测性的耦合。在材料给出的问题设定里，这两件事并不是两个独立难点：正因为当前观测不足以判断任务进度，模型才必须回溯历史；也正因为任务跨度长，历史信息才需要被有选择地保留而不是全部堆在上下文里。长期文本记忆承担的正是这种跨步骤的连续性，它把已经发生的事情转成一段可复用的进度描述，使后续决策不必每一步都从头重建状态。这是对材料要点的串联解释，材料本身只点明了“多尺度记忆”与“长时程、部分可观测”之间的对应关系。

第二个关键点是短期视频记忆的作用位置。材料将它和长期文本记忆并置，说明近期视觉信息在体系中有独立的位置，而不是被文本摘要完全取代。可以这样理解：文本摘要会丢掉细节，而近期画面里恰好包含那些尚未被总结、却对下一步动作有用的信息。第三个关键点是任务层面的落点，材料给出的例子是整理厨房和按菜谱做饭。这两类任务的共同特征是步骤之间存在顺序依赖，前面做过什么会直接影响后面该做什么，而当前画面又不足以完整反映中间过程。

这些结论对实践的影响，主要体现在两个层面。其一是系统设计层面：记忆可以被当作一个独立于策略的组件来对待，并按时效分层，而不是指望模型在单一上下文里自行维持长程状态，这意味着记忆的写入、摘要与读取策略值得单独设计和评估。其二是评测层面：如果记忆的价值主要体现在需要回看先前步骤的任务上，那么只测短程操作就无法反映其作用，任务选择本身需要覆盖“必须记住”的情形。以上都是从材料要点延伸出的判断，材料并未给出对应的实验结论。

这份资料面向的是做 VLA、机器人操作与具身智能的研究和工程人员，读完后能拿走的是一个清晰的问题框定和一套分层记忆的设计思路，以及一组可用于对照的任务类型，例如整理厨房、按菜谱做饭。需要说明边界：材料只交代了动机、方法与任务示例，没有给出量化评测结果、失败案例分析，也没有与其他记忆方案的比较，因此无法据此判断该方法的实际收益幅度。若要评估其真实效果，仍需回到原始资料核对实验部分；在此之前，上述关于分工与影响的说法都应视为对设计意图的解读，而非已验证的结论。